CVPR2020-Distribution-Aware Coordinate Representation for Human Pose Estimation论文阅读

出处
CVPR2020
论文地址
工程地址

关注点
关键点热图表示中的问题（极少有人关注）：
（1）坐标编码中的手动偏移带来的量化误差（取峰值到次峰值的１／４偏移处的位置）
（2）小分辨率热图的模型性能下降较多
公式推导细节
关于公式9推导的讨论

解决方法
（1）坐标解码过程：
a. 热图分布调制：将预测热图调制为高斯分布状态，高斯核（卷积）热图
b. 亚像素级的关键点坐标定位：设预测的热图分布与真实的热图遵循相同的2D高斯分布，与手动设计偏移量预测的标准方法不同，基于泰勒展开级数进行高斯参数求解
c. 分辨率复原
（2）坐标编码过程：
通常，内核生成过程会对降低分辨率后的坐标进行量化，此处不对降低分辨率后的坐标量化，直接用其进行内核生成

结论
本文首次系统地研究了在无约束图像中人体姿态估计的坐标表示(包括编码和解码)问题。提出了一种新的基于分布感知的关键点坐标表示(DARK)，用于更有区别的模型训练和推理。该方法可以作为一个插件组件，直接融合进任何模型中，无需任何算法调整。